Wat een ai afbeelding detector werkelijk doet en waarom

Wat een ai afbeelding detector werkelijk doet (en waar het faalt)

Je ziet een afbeelding op je scherm. Eén vraag: echt of gegenereerd? Een ai afbeelding detector geeft je een percentage in drie seconden, en dat getal klopt minder vaak dan het interface je voelt. Hier staat wat standhield, wat breekt, en het protocol dat een artdirector kan draaien voordat een afbeelding in een client-deck gaat.

Kortversie: behandel een detector als een rookmelder, niet als een rechter.

Wat kijkt een ai afbeelding detector werkelijk naar?

De meeste detectors zijn classifiers getraind op twee stapels: camera-foto's en outputs van generators als Midjourney, Stable Diffusion en DALL-E. Ze leren statistische gewoontes. Ruis-patronen, frequentie-artefacten, hoe fijne textuur herhaalt wanneer een model detail invult.

Dat is de hele truc. Geen magie, gewoon een model dat veel beide stapels heeft gezien. Het verklaart ook de voornaamste zwakte. Een detector is slechts zo goed als de generators die het trainde, en generators vernieuwen elke paar maanden.

Sommige tools voegen een tweede laag toe: ze lezen provenance-data en watermerken. Dat zijn ander werk, en we komen daar verder beneden op terug.

Hoe nauwkeurig zijn ze werkelijk?

Hangt ervan af wie de maatstaf houdt. Een overzicht dat acht tools testte op een kleine set echte foto's plus Midjourney v6, DALL-E 3 en Stable Diffusion outputs rapporteert Hive Moderation rond de 94% en Illuminarty rond de 91%. Dat zijn behoorlijke cijfers op schone, ongecomprimeerde bestanden.

Lees nu de kleine lettertjes. Dezelfde beschrijving erkent dat realistische nauwkeurigheid verschuift met nabewerking en compressie bij upload. Leveranciers publiceren ook hun eigen benchmarks, wat een beetje lijkt op een kok die zijn eigen restaurant beoordeelt.

Hier is de test die wij zouden draaien, en de test die jij in tien minuten zelf kunt draaien. Pak drie groepen bestanden waarvan jij de bron kent:

• directe outputs van Midjourney v7 en Flux

• dezelfde bestanden na een screenshot en JPEG-opslag

• echte foto's en scans, inclusief oud filmmateriaal

Verwacht drie dingen. Schone generaties worden meestal gepakt. De opnieuw opgeslagen kopieën worden merkbaar minder gepakt. En een paar echte foto's, vooral zachte of sterk nageklikte, worden gemarkeerd als AI. Dat laatste groepje zet niemand op de startpagina.

Leveranciers publiceren wel vals-positief getallen. Eén tool claimt een vlag-percentage van 0,16% op 10.000 pre-2022 mensmaakafbeeldingen, wat indrukwekkend is, maar het is de benchmark van de leverancier zelf op een specifieke dataset. Je geretoucheerde, overscherpte klantenfoto is niet die dataset.

Sla elke tool over die een enkel zeker percentage toont zonder toelichting. Waard om te gebruiken: tools die tonen welke regio van de afbeelding vreemd lijkt, en die erkennen wanneer ze onzeker zijn.

Waarom vernielen screenshots en opnieuw opgeslagen bestanden het resultaat?

Omdat het bewijs op broze plaatsen leeft. De pixel-niveau vingerafdrukken waarop classifiers steunen, worden uitgeveegd door formaatverandering, opnieuw comprimeren en filters. Instagram, X en de meeste chat-apps doen alle drie zodra jij uploadt.

Hetzelfde verhaal voor metadata. Content Credentials en EXIF-velden zitten in de bestandscontainer, en platforms stropen ze routineus af. Een ontbrekende credential bewijst niets. Het betekent niet dat de afbeelding nep is, en het betekent niet dat het echt is.

Dat is het onderdeel dat mensen missen. De afwezigheid van een signaal is zelf geen signaal.

Watermerken en content credentials: sterker signaal, smaller bereik

Twee systemen tellen in 2026. Content Credentials uit de C2PA-standaard hechten een ondertekend verslag van de tool en bewerkingen aan het bestand. SynthID-achtige watermerken inbedden een onzichtbaar signaal in de pixels bij generatie. Dit uitleg over C2PA versus SynthID legt de splitsing goed uit: credentials vertellen het verhaal van een bestand, het watermerk zegt welke generator het maakte, en geen van beide werkt zonder dat de generator meespeelt.

Wanneer ze aanwezig zijn, slaan ze elke classifier. Een geldige handtekening is bewijs, geen gok.

De slinger is bereik. Open-weight modellen draaien lokaal, dus niemand hoeft iets uit te voeren. Als je referentie uit een huisgemaakte Flux- of SD3.5-pijplijn komt, verwacht niets. Pak deze regel: een positieve provenance-treffer is sterk, een negatieve is stilte.

Het artdirector-protocol: vijf controles voordat je een resultaat vertrouwt

Detectors zijn één input. Dit is hoe we het doen. De routine is bedoeld voor werk dat telt: client-brieven, inzendingen, bronnen die je wilt toeschrijven.

1. Kijk eerst naar de afbeelding op 200%. Handen, tanden, sieraden, tekst op tekens, de naad waar haar ontmoet achtergrond. Oude verraad, maar het pakt nog steeds het luie spul.

2. Vraag het originele bestand. Een camera-RAW of gelaagde PSD waard meer dan elke score.

3. Draai twee detectors, niet één. Als ze het oneens zijn, dat meningsverschil is je bevinding.

4. Omgekeerde beeldzoeking. Een echte foto heeft meestal een verhaal. Een verse generatie meestal niet.

5. Controleer provenance-data als het bestand nog enig over heeft.

Niets hiervan gaat snel. Hoeft ook niet. Je draait het alleen als de afbeelding telt: een clientbrief, inzendingsdeelnemer, een bron die je van plan bent toe te schrijven.

Wat betekent een detector score als die 60% zegt?

Niet veel. Een classifier-output is een betrouwbaarheid van een model, niet een waarschijnlijkheid dat de afbeelding in de echte wereld nep is. Verschillende tools ijken anders, dus 60% in het ene product kan hetzelfde betekenen als 85% in een ander.

Twee regels houden je eerlijk. Ten eerste negeer je het middengebied. Alles tussen zeg 30% en 70% is de tool schouderophalend. Ten tweede vergelijk je nooit scores tussen producten. Vergelijk uitspraken over dezelfde afbeelding, en kijk waar ze het oneens zijn.

Het meningsverschil is waar het interessante werk ligt. Als één tool 92% AI zegt en een ander 8%, was één ervan nooit op die generator getraind, of het bestand werd onderweg verminkt. Ga terug naar de bron, vraag het origineel, en controleer de metadata opnieuw.

Welke afbeeldingen belazeren detectors het meest?

Sommige categorieën zijn betrouwbaar moeilijk, en waard om te weten voordat je vertrouwen in een score stelt. Kijk uit voor deze blinde vlekken.

Zwaar gestileerde werk. Riso-print uitzicht, vlakke illustratie, grof filmemulatie: hoe meer de stijl van een camera afweekt, hoe minder een foto-getrainde classifier ervan houdt.

Opgeschaalde en verscherpte bestanden. Detail toegevoegd na generatie troebelt de vingerafdruk van het originele model.

Kleine bijsnijdingen. Een 400px miniatuurbild draagt veel minder signaal dan een vol frame.

Hybride afbeeldingen. Een echte foto met een AI-gegenereerde lucht, of een gegenereerd portret met echte retouches, zit in de grijze zone naar ontwerp. De meeste tools geven één score voor het hele bestand, dus het eerlijke antwoord is vaak "deels".

Verse modellen. Elke generator vrijgegeven na de laatste trainloop van de detector is een blinde vlek totdat de verkoper bijwerkt. Die kloof is paar weken op best en paar maanden op worst.

Als je dagjob verwijzingen van Are.na-borden, stockbiblotheken en sociale feeds inhoudt, neem aan dat een deel van wat je verzamelt al hybride is. Markeer het in je moodboard, noteer de bron, en ga verder.

Wat doen de generators zelf eraan?

De modellen die jij al gebruikt zijn de reden dit probleem bestaat, dus laten we kijken waar elk erover staat met zijn eigen output labelen en bewijzen.

Midjourney-outputs zijn beroemd gepolijst, wat de "te schoon" verraad zwakker maakt met elke versie.

Adobe Firefly leunt op Content Credentials in het standaard, wat de bestanden het makkelijkste maakt om te verifiëren, zolang niemand de metadata op weg naar jij afstroomt.

Krea is waar veel van ons in real-time itereren. Snelle lussen, veel stilering, en geen belofte dat alles stroomafwaarts kan vertellen waar een afbeelding vandaan komt.

Opschalers tellen hier ook. Een generatie door Magnific draaien voegt echte textuur toe, en die textuur is precies wat een classifier verward maakt getraind op ruw-model output. Als je van plan bent een detector te testen, test het ook op opgeschaalde bestanden.

Strak nemen: geen van deze tools zijn gebouwd om je leven als verifieerder makkelijker te maken. Die baan is van jou.

Moet je op een detector voor client-werk vertrouwen?

Waard als je het als intake gebruikt. Een gemarkeerde afbeelding krijgt een nader kijkje. Een schone score koopt niets voorbij "geen alarm ging af".

Sla het over als je geneigd bent een score als bewijs in een geschil, takedown of wedstrijduitspraak te gebruiken. Vals-positieven op echt kunstwerk zijn het lelijke deel. Fotografen en illustratoren zijn aangeklaagd op basis van één tool output, en een vlakke percentage is zwak waar je achter staat.

Wat wij werkelijk zouden doen: schrijf het proces op. Welke tools, welke versie, welke datum, welke bestanden. Een gedateerde notitie slaat een screenshot van een score.

En als jij degene bent die de afbeeldingen maakt, bewaar je werkbestanden. Lagen, zaden, prompt notities, de lelijke vroege concepten. Het is de goedkoopste verzekering een artdirector kan kopen, en het is ook goede moodboard-hygiëne.

Waar je volgende gaat

Pak vijf afbeeldingen waarvan jij de bron kent, drie echte en twee gegenereerde, draai ze door twee detectors, maak dan screenshots en draai ze opnieuw. Je leert meer over deze tools in die sessie dan elke landingspagina je vertelt.

Remix vervolgens het experiment met jouw eigen stapel. Welke van je favoriete modellen wordt eerst gepakt? Welke glipt door? Pas je selectie criteria aan naar wat je ontdekt hebt.